Improved JIVE Estimators for Overidentified Linear Models with and without Heteroskedasticity
同方差与异方差过度识别线性模型的改进 JIVE 估计量AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究工具变量估计量，并将其用于教育回报估计，与微观因果参数的工具变量估计直接相关。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
同方差与异方差过度识别线性模型的改进 JIVE 估计量
- 研究问题
- 在过度识别线性模型中，如何改进刀切工具变量估计量的小样本偏差，并在异方差下与其他估计量比较？
- 方法与思路
- 作者提出两个简单的 JIVE 变体，与原有 JIVE、Nagar 型及 B2SLS 估计量比较，并开展模拟和教育回报应用。
- 材料陈述的贡献
- 摘要称，新变体显著改善原有 JIVE 的小样本偏差，且在异方差模型中具有优于 Nagar 与 B2SLS 的性质。
- 阅读关注点
- 应核对两个变体的构造、优势所对应的理论指标及条件，并检查模拟中工具变量强度与数量的设定。
- 阅读边界
- 摘要未给出偏差展开、适用条件及数值结果；作者所述优势不能解释为在任意工具变量设计下全面占优。
原文摘要
We introduce two simple new variants of the jackknife instrumental variables (JIVE) estimator for overidentified linear models and show that they are superior to the existing JIVE estimator, significantly improving on its small-sample-bias properties. We also compare our new estimators to existing Nagar (1959) type estimators. We show that, in models with heteroskedasticity, our estimators have superior properties to both the Nagar estimator and the related B2SLS estimator suggested in Donald and Newey (2001). These theoretical results are verified in a set of Monte Carlo experiments and then applied to estimating the returns to schooling using actual data. Copyright by the President and Fellows of Harvard College and the Massachusetts Institute of Technology.